Nel vasto panorama dell'informatica moderna, una rivoluzione silenziosa sta maturando, promettendo macchine che operano secondo le regole strane e controintuitive della meccanica quantistica. Questi computer quantistici non si limitano a calcolare più velocemente; essi esplorano molte possibilità contemporaneamente, una capacità che teoricamente permette loro di risolvere certi problemi complessi in una frazione del tempo che impiegherebbero i supercomputer più potenti del mondo. Tra le applicazioni più promettenti vi è l'ottimizzazione: trovare la migliore soluzione possibile tra una serie vertiginosa di opzioni, come la pianificazione dei voli, il tracciamento dei percorsi dei camion per le consegne o l'equilibrio di una rete elettrica. Per anni, i ricercatori hanno cercato un tipo specifico di vantaggio quantistico, uno scenario in cui un algoritmo quantistico possa risolvere un problema molto meglio di qualsiasi metodo classico, in modo tale che la differenza non sia solo una questione di velocità, ma di capacità fondamentale. Uno di questi candidati è una tecnica chiamata interferometria quantistica decodificata, che tenta di trovare buone soluzioni creando una delicata sovrapposizione quantistica di molte risposte possibili e poi misurandole per vedere quali sopravvivono.

La domanda centrale è stata se questo approccio quantistico possa davvero superare gli algoritmi classici che già utilizziamo, come il simulated annealing (ricottura simulata), che imita il raffreddamento dei metalli per trovare stati stabili. Un team di ricercatori presso JPMorgan Chase si è posto l'obiettivo di investigare questa specifica domanda su una classe di problemi casuali che sono notoriamente difficili. Si sono concentrati su istanze in cui i vincoli sono sparsi, il che significa che ogni regola coinvolge solo poche variabili, ma il numero totale di regole è elevato. I ricercatori volevano sapere se il metodo quantistico potesse trovare costantemente soluzioni migliori rispetto ai metodi classici, o se il vantaggio quantistico fosse un'illusione che sarebbe svanita una volta che il problema fosse diventato sufficientemente complesso. La loro indagine li ha portati a una conclusione sorprendente: per una vasta gamma di questi problemi, il metodo quantistico non offre alcun incremento esponenziale quando si utilizzano i tipi di decodificatori quantistici più pratici ed efficienti.

I ricercatori hanno esaminato una specifica strategia quantistica in cui il computer prepara uno stato che rappresenta un mix di tutte le possibili soluzioni, pesate in base a quanto siano buone. Per estrarre una risposta utile, la macchina deve "decodificare" questo stato, ovvero capire quale specifica soluzione esso rappresenti. Lo studio si è concentrato su decodificatori che sono "locali", il che significa che prendono decisioni basandosi solo sulle informazioni disponibili in un piccolo vicinato attorno a ogni variabile, proprio come una persona che risolve un puzzle guardando solo i pezzi immediatamente adiacenti a quello che sta posizionando. Questo è l'approccio più realistico per l'attuale hardware quantistico, che non è ancora in grado di elaborare l'intero problema in una volta sola. Il team ha scoperto che il punto in cui questi decodificatori quantistici locali falliscono nel trovare la soluzione corretta corrisponde esattamente a una nota transizione di fase nella fisica statistica, un punto in cui il comportamento del sistema cambia drasticamente. Al di sotto di questa soglia, il decodificatore quantistico funziona bene, ma anche gli algoritmi classici funzionano bene. Al di sopra di questa soglia, il decodificatore quantistico fallisce, e anche gli algoritmi classici faticano, ma in un modo che suggerisce che stiano urtando lo stesso muro fondamentale.

Lo studio ha dimostrato che nessun decodificatore locale, per quanto ingegnosamente progettato, può recuperare la soluzione corretta con alta probabilità una volta che il problema ha superato questa specifica soglia. Questa non è una limitazione dell'hardware attuale, ma una barriera fondamentale dell'informazione teorica. I ricercatori hanno mostrato che le prestazioni del decodificatore quantistico sono legate a una proprietà chiamata "ricostruzione dell'albero" (tree reconstruction), che chiede se l'informazione su una parte distante del sistema possa ancora essere inferita da una visione locale. Quando questa informazione viene persa, il decodificatore quantistico perde la sua capacità di distinguere la risposta corretta dal rumore. Fondamentalmente, hanno scoperto che anche gli algoritmi classici, che aggiornano le variabili una alla volta in base ai loro vicini, raggiungono questo stesso limite. Ciò significa che per questi problemi specifici, il metodo quantistico non fornisce una scorciatoia magica; esso urta lo stesso soffitto dei migliori metodi classici.

I ricercatori hanno anche esaminato il limite teorico di ciò che è possibile se si potesse utilizzare un decodificatore perfetto, non locale, che considera l'intero problema in una volta sola. Anche in questo scenario idealizzato, hanno trovato un limite superiore rigoroso alle prestazioni, determinato da una "soglia di condensazione". Questa soglia è inferiore al limite teorico assoluto previsto da lavori precedenti, il che significa che anche un perfetto decodificatore quantistico non può risolvere questi problemi oltre un certo punto. Il divario tra il limite del decodificatore locale e il limite del decodificatore perfetto rappresenta l'unica speranza rimasta per un vantaggio quantistico. Tuttavia, i ricercatori hanno osservato che non è attualmente noto alcun algoritmo efficiente capace di colmare questo divario. L'unico percorso per un vero vantaggio quantistico su questi problemi sarebbe trovare un nuovo tipo di decleggimento efficiente che non sia né puramente locale né completamente globale, una scoperta che rimane elusiva.

Nelle loro simulazioni, il team ha testato queste idee su centinaia di diverse configurazioni di problemi. Hanno eseguito algoritmi classici, come il simulated annealing, sulle stesse istanze casuali e hanno confrontato i risultati con i limiti teorici del metodo quantistico. Le simulazioni hanno mostrato che gli algoritmi classici potevano raggiungere lo stesso livello di prestazioni del limite teorico del metodo quantistico per i decodificatori locali. In molti casi, gli algoritmi classici hanno persino superato leggermente il limite quantistico, suggerendo che l'approccio quantistico non offre alcun vantaggio nel trovare soluzioni approssimate per questi specifici tipi di problemi. I risultati sono stati coerenti attraverso diverse dimensioni dei problemi e diversi tipi di vincoli, rafforzando la conclusione che la barriera è robusta.

Lo studio ha anche affrontato la questione dell'ottimizzazione esatta, dove l'obiettivo è trovare la singola migliore soluzione piuttosto che solo una buona. In questo caso, i ricercatori hanno scoperto che anche se il metodo quantistico potesse preparare lo stato corretto, la probabilità di misurare la singola migliore soluzione è così piccola che un incremento di velocità quantistico sarebbe al massimo quadratico, un miglioramento modesto piuttosto che il salto esponenziale che molti speravano. Questo risultato restringe ulteriormente l'ambito in cui potrebbe esistere un vantaggio quantistico. I ricercatori hanno sottolineato che i loro risultati non significano che i computer quantistici siano inutili per l'ottimizzazione, ma piuttosto che per questa specifica classe di problemi casuali e sparsi, il vantaggio non si trova nelle strategie di decodifica locale che sono attualmente le più fattibili.

In definitiva, l'articolo fornisce una mappa chiara del terreno dell'ottimizzazione quantistica. Mostra che la promessa di un vantaggio quantistico non è una caratteristica universale di tutti i problemi di ottimizzazione, ma dipende fortemente dalla struttura del problema e dal tipo di decodificatore utilizzato. Per i problemi casuali e sparsi studiati, il metodo quantistico è vincolato dalle stesse leggi fisiche che limitano i metodi classici. I ricercatori suggeriscono che se un vantaggio quantistico dovesse essere trovato in questo dominio, richiederà una svolta nelle tecniche di decodifica non locali che possano operare efficientemente tra i limiti locali e perfetti. Finché tale tecnica non verrà scoperta, il modo più efficace per risolvere questi problemi rimane con gli algoritmi classici che sono stati perfezionati nell'arco di decenni. Il lavoro funge da necessaria verifica della realtà, radicando l'entusiasmo per il calcolo quantistico in una prova matematica rigorosa e in simulazioni dettagliate, assicurando che il campo proceda con una chiara comprensione sia del suo potenziale che dei suoi confini.